머신러닝 모델을 만드는 과정

1. 과거의 데이터를 준비한다.
2. 모델의 구조를 만든다.
3. 데이터로 모델을 학습(FIT)한다.
4. 모델을 이용한다.

퍼셉트론

컴퓨터는 학습과정에서 입력되는 데이터를 보고 이 수식의 w들과 b값을 찾는다. 우리가 만든 이 모델은 뉴런 하나로 이루어져 있는데, 뉴런은 실제 두뇌세포의 이름이고, 인공신경망에서 이런 뉴런의 역할을 하는것이 우리가 만든 모형과 수식이다. 그리고 이 모형을 '퍼셉트론'이라고 한다.

그리고 w값은 '가중치'(weight)라고 하고, b는 '편향'(bias)이라고 부른다.

위 모델은 퍼셉트론 두개가 병렬로 연결된 모습이다. 다음과 같이 결과(종속변수)가 두개라면 수식도 두개가 필요하다. 찾아야 하는 가중치의 개수는 첫번째 수식에서 w 12개, b 하나, 두번째 수식에서도 w 12개, b 하나로 총 26개의 가중치가 필요하다.

실습

라이브러리 사용

import tensorflow as tf
import pandas as pd

1. 과거의 데이터를 준비한다.

파일경로 = 'https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/boston.csv'
보스턴 = pd.read_csv(파일경로)
print(보스턴.columns)
보스턴.head()

실행결과

독립변수, 종속변수 분리

독립 = 보스턴[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax',
       'ptratio', 'b', 'lstat']]
종속 = 보스턴[['medv']]
print(독립.shape, 종속.shape)

실행결과

(506, 13) (506, 1)

2. 모델의 구조를 만든다.

X = tf.keras.layers.Input(shape=[13])
Y = tf.keras.layers.Dense(1)(X)
model = tf.keras.models.Model(X, Y)
model.compile(loss='mse')

3. 데이터로 모델을 학습(FIT)한다.

model.fit(독립, 종속, epochs=1000, verbose=0)
model.fit(독립, 종속, epochs=10)

실행결과

Epoch 1/10
16/16 [==============================] - 0s 1ms/step - loss: 26.6930
Epoch 2/10
16/16 [==============================] - 0s 1ms/step - loss: 26.9651
Epoch 3/10
16/16 [==============================] - 0s 1ms/step - loss: 26.9636
Epoch 4/10
16/16 [==============================] - 0s 1ms/step - loss: 26.9042
Epoch 5/10
16/16 [==============================] - 0s 934us/step - loss: 27.0323
Epoch 6/10
16/16 [==============================] - 0s 893us/step - loss: 26.7503
Epoch 7/10
16/16 [==============================] - 0s 884us/step - loss: 26.8491
Epoch 8/10
16/16 [==============================] - 0s 913us/step - loss: 27.0424
Epoch 9/10
16/16 [==============================] - 0s 916us/step - loss: 26.5457
Epoch 10/10
16/16 [==============================] - 0s 958us/step - loss: 27.2101
<tensorflow.python.keras.callbacks.History at 0x7f113dc316d8>

학습을 하면 할수록 loss값이 낮아진다. 즉, 정답을 맞출 확률이 높아진다.

4. 모델을 이용한다.

print(model.predict(독립[0:5]))
print(종속[0:5])

실행결과

[[28.644255]
 [24.095812]
 [29.634169]
 [29.062792]
 [28.384825]]
   medv
0  24.0
1  21.6
2  34.7
3  33.4
4  36.2

정답에 꽤 근접한 것을 볼 수 있다.